应用人工神经网络预测油井产量和产水量

论述了应用人工神经网络技术预测油井产油量和产水量的方法．利用油井过去实际每个月的日平均产油量和产水量做为网络的训练样本，经网络学习后，输入油井待预测的时间，可预测出相应时间的日平均产油量和产水量．同时，编制的通用软件经胜利油田２１口井实际产油量和产水量检验，结果表明：网络是一种可行性的预测油田单井产量的方法     

网络监督开辟了权利“联合”权力监督的反腐新路径

监督分为基于权力的监督和基于权利的监督两种。随着网络的发展,网络舆论监督日益成为人民群众进行监督的手段之一。本文在对权力监督和网络舆论监督的分析之上,探讨把二者结合进行监督,开辟反腐新路径。     

基于尖点突变理论与灰色理论的基坑安全评价

文章应用实际工程的监测数据,采用突变理论建立了深基坑工程安全评价模型,以基坑水平变形为例,综合考虑深基坑土体的流变特性,建立了基于时效影响因子的深基坑工程尖点突变评价模型,并运用灰色理论GM(1,1)模型,对基坑水平变形进行预测预报,通过两种模型的结合,克服了采用常设置监测评价时参数选择困难,可以优化评价基坑安全程度.     

成都粘土中特征污染因子的迁移规律和铅、铬的污染预测

论文以模拟淋滤实验和压榨实验为基础，系统分析了成都粘土中特征污染因子的吸附迁移规律，初步计算了成都粘土对Ｐｂ２＋、Ｃｒ６＋等重金属的环境容量并预测了若干年后它们在成都粘土中的累积状况。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

融合微博热点分析和LSTM模型的网络舆情预测方法

当前互联网已成为公众获取信息、表达观点的重要平台,也带来社会舆情事件易发生的风险,通过对网络舆情走势的提前预测,能够准确判断热点事件的发展态势,为政府相关部门应对舆情危机提供参考.针对单一预测模型预测精度不高和社交媒体对舆情走势影响较大的问题,提出了融合微博热点分析和长短期记忆神经网络(LSTM)的舆情预测方法.利用网络爬虫和PyTorch机器学习平台构建了用于舆情时序数据分析的网络舆情预测系统;在此系统内,考虑微博的强时效性,采用网络热点分析技术计算微博热度分值;改进LSTM网络,设计由2个隐含层组成的MH-LSTM预测模型;将MH-LSTM模型用于舆情事件百度指数的定量预测中,通过试验验证了模型的正确性,证实了该预测模型拥有较好的预测效果.     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

基于综合权重因子的城市时需水量预测

提出了基于综合权重因子的城市时需水量预测方法.根据预测日前几日和前几周的用水量数据,计算平均时用水量;引入综合权重因子,构建预测日前1日时用水量模型.结合日需水量预测数据,将获得的最优连续日数、最优连续周数和综合权重因子,用于预测日的时需水量预测.算例验证结果表明,预测值平均绝对百分比误差较小.     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于伪柯西类核函数的主成分降维方法

构造了伪柯西类核函数并给出了相应的理论证明.利用伪柯西类核函数对4个癌症基因表达数据集进行降维,然后利用支持向量机、K近邻和朴素贝叶斯进行分类预测.实验结果表明,与高斯核、多项式核、双曲正切核降维以及全变量情形相比,在多数情况下,基于伪柯西类核函数进行的维度约减,可使得目前主流机器学习方法的分类精度达到最优.